利用STARFM模型提高复杂地表下复种指数遥感提取精度

张 伟，李 玮，陶冠宏，李爱农，覃志豪，雷光斌，陈艺曦

·农业信息与电气技术·

利用STARFM模型提高复杂地表下复种指数遥感提取精度

张 伟1,2，李 玮1,2，陶冠宏1,2，李爱农3，覃志豪4，雷光斌3，陈艺曦1,2

（1. 中电科大数据研究院有限公司，贵阳 550000；2. 提升政府治理能力大数据应用技术国家工程实验室，贵阳 550000；3. 中国科学院水利部成都山地灾害与环境研究所，成都 610041；4. 中国农业科学院农业资源与农业区划研究所，北京 100081）

复种指数是表征耕地利用程度的重要参数。然而，传统方法存在对影像获取条件要求较高，或在地表复杂区域提取精度较低等问题。高时空分辨率数据融合算法（如Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM）能有效地结合不同数据的优势，有望被应用于提高复杂地表区域复种指数的提取精度。该研究以Landsat TM（Thematic Mapper）及MODIS（Moderate-resolution Imaging Spectroradiometer）为数据源，基于STARFM模型，构建了川东丘陵某区域内2010－2011年的Landsat-like 时序NDVI（Normalized Difference Vegetation Index）数据集，进而提取了该区域2010年冬季作物种植区及盐亭县2011年耕地复种指数的空间分布情况。利用目视解译样点（1509个）验证及多尺度（30～4 000 m）验证方法，对不同方法提取的2010年冬季作物种植区进行了对比分析。结果表明：1）在30m空间尺度上，基于Landsat影像分类法的总体验证精度为89.73%，高于基于Landsat-like时序NDVI峰值法的54.94%；2）在250～4 000 m空间尺度上，基于Landsat-like时序NDVI峰值法的总体验证精度比基于MODIS时序NDVI峰值法高3%～7%。利用统计年鉴及调查样点（73个）数据，对基于新方法提取的盐亭县2011年耕地复种指数结果进行了验证，在县域尺度上其与统计数据非常接近；其与调查样点的总体验证精度达到73.97%。综上，基于数据融合算法提高数据源空间分辨率的方式，不仅能够提高复杂地表复种指数结果的空间精细程度和提取精度，而且在实际应用中也有很好的实用性。

遥感；NDVI；时空数据融合；复种指数；STARFM；地表复杂区域

0 引 言

复种指数指某耕作单元在单位时间内的耕作次数[1]。弄清某区域的耕地复种信息，对于该区域耕地潜力挖掘、种植制度优化、粮食产量估算及作物固碳研究等具有重要的意义。耕地的复种信息通常是通过统计汇总的方法得到的，然而这种方法通常需要耗费大量人力和时间。同时，获取的结果是以各级行政区为单位的统计数据，不仅展现形式不直观，而且空间精细程度也较差。基于遥感技术获取复种信息的方法因具备客观、高时效和低成本等优点，正逐渐成为该领域的普遍研究手段。

基于不同的数据源及监测原理，不同学者已提出了多种不同的复种指数遥感监测方法。基于高空间分辨率的遥感影像（如Landsat），可以通过观测生长季内种植作物像元与休耕像元之间的光谱差异，然后进行分类，得到耕地的复种情况[2]。这类方法原理简单，且运算速度快。已有研究表明，在数据质量较高的情况下，对于小农耕作区域（小于2 hm2），基于Landsat阈值分类法较常用的基于MODIS时序NDVI峰值法能够得到更高的复种指数提取精度[3]。但是，该方法对于高空间分辨率遥感影像的获取条件要求较高，需同时满足3个条件：在生长季内，且作物的绿叶在光谱上能够明显被识别；每个生长季至少一期；无云雾等的影响。上述条件通常难以同时满足，尤其对于复种指数较高的区域，从而在一定程度上阻碍了此类方法的应用[3]。

基于高时间分辨率的植被指数数据提取复种指数信息是更普遍的方法，且已被广泛应用于大区域尺度的复种指数研究中[4-7]。早期有基于重构时序植被指数的峰值点探测法及基于重构时序植被指数的曲线匹配度检验法。前者利用各种不同的算法计算出重构后时序植被指数曲线的峰值点个数，从而反推该耕地像元的复种信息[8-10]；后者则是通过基于不同的算法测算与复种信息已知的时序植被指数曲线（标准曲线）之间的匹配程度，并认为某耕地像元的复种信息与匹配度最高的标准曲线复种信息相同，以获取该耕地像元的复种信息[11]。除这2种较常用的方法之外，近年来还发展了一些新的方法。如基于重构时序植被指数的时域混合模型分解法[12]，回归模型法[3]及连续小波变换法[13]等。尽管这些基于高时间分辨率植被指数数据的算法都已被证实在空间异质性较低的区域具有较高的验证精度。但是，由于常用高时间分辨率数据源的空间分辨率较低（小于250 m），这些方法目前仍难以有效地应用于复杂地表区域[14]（如川东丘陵区），因为在这些区域耕地的空间尺度较小，存在较多混合像元的问题[15]。

因此，在复杂地表区域应用上述2类复种指数遥感提取方法均受限于不同数据源的时空特征。基于高空间分辨率数据的方法（如Landsat阈值分类法）受限于数据源的时间分辨率较低；而基于高时间分辨率数据的方法（如基于MODIS时序NDVI峰值法）受限于数据源的空间分辨率较低。基于高时空分辨率数据融合算法，构建具有“双高”（高时间分辨率及高空间分辨率）特征的遥感数据，是提高地表复杂区域复种指数提取精度的一种思路[16]。近年来，已有多种高时空分辨率数据融合算法被提出[17-19]。其中，最常用的是STARFM算法。该算法已被多项研究结果证实不仅能够获取高精度的时间序列Landsat-like影像[20]，还能够通过提高数据源的时间或空间分辨率，在具体应用中提高某些遥感产品的提取精度[21]。已有研究基于STARFM算法获取的高时空分辨率数据集，获取了更高精度的复种指数结果[22-23]。但这些研究区域的地表复杂度较低，难以体现其在高空间分辨率方面的优势。本文以典型的复杂地表区域——川东丘陵区为例，拟通过该算法构建高时空分辨率NDVI数据集，以提高复种指数的提取精度。

1 研究区概况

本文选取四川省东部面积大小约8 100 km2（90 km×90 km）的区域作为研究区（103°40′28″～106°11′49″E，30°48′36″～32°42′6″N）。该区域为典型的丘陵区，海拔大约在300～700 m之间。该区域处于四川盆地亚热带湿润季风气候区。降水分干湿两季。湿季（约5－10月）降水量占全年降水量的80%以上。气温四季分明：夏季温度最高，平均温度达25 ℃左右；春秋两季温度适中，约16～17 ℃；冬季温度较低，仅约6 ℃。适宜的气候条件能够满足冬（约为11月至第二年5月）、夏（约为5月至10月）两季作物的生长。尽管耕地分布广泛（图1c），但受地形起伏影响，这些耕地地块面积大都小于250 m，有的甚至小于30 m，这给利用现有高时间分辨率植被指数数据（如MODIS NDVI）提取该区域复种指数的相关方法带来了困难。

图1 研究区地理位置与土地覆盖类型

2 数据及预处理

2.1 数据源

1）Landsat数据

选取了该区域2010年12月8日的Landsat TM影像。该数据几乎没有受到云雪等的影响，质量较好（图1b）。水体、林地、居民区、耕地等不同的土地覆盖类型的光谱特征也十分明显。在耕地区域，通过目视解译，能很容易地区分种植区域（图1b中呈现出粉红色特征区域）和非种植区域。该数据有2个作用：一方面在利用STARFM算法构建高时空分辨率NDVI数据集时，该数据可作为STARFM算法的输入数据（基期Landsat影像）；另一方面通过对其进行分类，可得到该区域2010年冬季作物的种植分布情况，用于提取结果的验证。

2）MODIS数据

相较于NOAA AVHRR（Advanced Very High Resolution Radiometer）及SPOT VGT（Vegetation）等时间序列植被指数数据，由于具有较高的空间分辨率，MODIS时序植被指数数据(即NDVI)成为了近年来该研究领域最为常用的数据源[9,12]。在本文的研究中，该数据作为高时间分辨率NDVI数据源。为尽量减小云雪等的负面影响，本文选择的数据集为16 d最优观测值合成数据（即MOD13Q1），在时间上包含了2010年冬季以及2011年全年（即2010年第20期至2011年第23期）。该数据具有2个作用：其一作为基于STARFM算法构建高时空分辨率NDVI数据集的输入数据；其二基于该数据利用传统方法提取复种指数，并将其与基于数据融合算法形成的高时空分辨率数据集的提取结果进行对比分析。

3）数据预处理

本文使用MODIS重投影工具MODIS Reprojection Tool（MRT）对MOD13Q1数据做了投影转换、重采样和裁剪等预处理，得到UTM投影，像元大小为250 m的数据。为进一步降低云雪等的负面影响，本文应用SG 滤波算法[24-25]对预处理后的时序MOD13Q1 NDVI数据进行了平滑处理。另外，STARFM算法要求输入的Landsat与MODIS数据具有相同的投影和像元大小。因此，本文还将平滑后的250m时序MODIS NDVI数据重采样为30m像元大小。对于Landsat TM数据，本文采用了Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS)[26]数据预处理程序，对其进行辐射定标和大气校正等预处理，最终得到地表反射率和NDVI数据。

2.2 验证数据

首先，利用该区域2010年土地覆被分类数据（图1c）生成一个耕地的掩膜文件，将2010年12月8日Landsat TM影像上的非耕地部分去除；然后，在去除非耕地后的TM影像上，随机选取1509个样点（图2，含未种植样本点627个；有作物种植样本点882个）；最后，对每个样点逐个进行目视判定，得到用于验证的样本数据。利用该样本数据，可以在30 m空间尺度上对基于Landsat TM数据分类和基于STARFM算法形成的Landsat-like 时序NDVI数据集得到的作物种植区结果进行精度验证。

图2 随机样本点空间分布

由于Landsat-like 时序NDVI数据（分辨率30 m）与MODIS时序NDVI数据（分辨率250 m）的空间分辨率不同，本文采用空间聚合的方法，在多个空间尺度下（250～4 000 m）对比2种方法的提取精度。通过对2010年12月8日Landsat影像进行分类，得到2010年冬季作物种植区空间分布图，并将此数据作为多尺度验证的参考数据。

2013年8月上旬，在盐亭县境内的搜集了17块样地的耕地复种信息。调查样地的空间分布如图3所示。尽管由于交通不便，在空间上样地未能在整个研究区域呈均匀分布，但是从地形上看，从起伏较小到起伏较大的区域都有样地分布。因此，调查的样地具有一定的空间代表性。另外，由于每块样地有3～6个不等的样点，各样点之间相距均在30 m以上。因此，总计可用于分析的样点数量大于样地数量，为73个。利用该数据对基于新方法提取的盐亭县2011年复种指数结果进行逐样点对比，从而验证新方法的实用性。

图3 四川省盐亭县地理位置示意图及野外调查样地空间分布

2.3 辅助数据

其他的辅助数据包括该区域2010年土地覆被分类数据（图1c）。该数据来源于中国科学院水利部成都山地灾害与环境研究所数字山地与遥感应用中心。数据的生产基于中国环境减灾卫星（HJ）影像并辅助Landsat TM影像作为数据源，采用了面向对象与决策树分类器相结合的方式[27]，并经过多轮人工目视修正，共提取了38类土地覆被类型，经独立样点验证，该数据一级类精度超过95%，二级类精度超过85%，满足本研究对土地覆被数据精度的要求。

3 研究方法

该区域为一年两熟种植区。冬季作物生长季通常为11月至第二年5月；夏季作物生长季通常为6－10月。在夏季，该区域云雾等较多，导致难以获取高质量Landsat影像。此外，夏季作物的光谱与林地及灌木等难以区分。因此，本文在验证精度和实用性时采用了不同的策略。精度验证时仅使用了2010年冬季的数据对不同方法提取的作物种植区结果进行验证。同时，为验证方法的实用性，利用本文方法提取了绵阳市盐亭县2011年全年的复种指数空间分布情况，并利用统计年鉴及2013年在部分区域的实地调查数据，对提取结果进行了验证。

本文使用3种不同的方法获取研究区域内2010年冬季的作物种植区域。如图4所示，第1种方法为Landsat影像分类法：该方法的结果作为多尺度验证的参考数据。具体实现过程如下：首先，对去除非耕地后的TM影像进行多分辨率分割[28]；然后，在分割后的影像上人工选取种植作物耕地与闲置耕地的分割单元作为样本；最后，利用选取的样本对去除非耕地后的TM影像进行分类，得到分类图。利用选取的样本数据进行验证，该分类图的总体精度为：89.73%（表1）。第2种为基于Landsat-like时序NDVI峰值法（图4）：该方法与传统方法的不同之处在于，其需要利用STARFM算法融合基期Landsat TM NDVI（如2010年12月8日）与滤波后的MODIS NDVI数据（即2010年第20期至2011年第9期），构建时序Landsat-like NDVI数据集；然后基于该数据集设定合理的阈值（阈值1），以获取作物种植区。第3种方法为常用的基于MODIS时序NDVI峰值法（图4）：首先，基于滤波后的时序MODIS NDVI数据，利用二次差分算法（见3.5部分）获取各像元可能的波峰；然后，设定合理的阈值（阈值2）剔除其中的“伪波峰”；最后，统计“真波峰”的个数即可得到相应的种植区域。

图4 本研究中使用的3种作物种植区提取方法

3.1 STARFM算法

假定经几何精校正、坐标转换及重采样等预处理后，某t时刻MODIS地表反射率影像与该时刻TM地表反射率影像具有同样大小的像元尺度及坐标系统。由于MODIS地表反射率与TM地表反射率具有很好的一致性[29]。若某时刻（0）MODIS像元地表反射率(0)已知，TM地表反射率(0)未知；而另一时刻（t）MODIS地表反射率(t)与TM地表反射率(t)均已知。那么，0时刻未知的TM地表反射率可由下式求得[17]：

式中表示搜索窗口的大小（本文设置为3 000 m×大3 000 m）；（x,y）表示某像元的位置；W为某邻近光谱相似像元的权重值，因考虑混合像元、地表覆被或物候改变及BRDF效应等的影响而引入邻近光谱相似像元信息而设置。该权重取决于以下3个因素：1）由其与对应MODIS像元反射率之间的差异所表示的光谱距离(S)；2）其与中心像元之间的空间距离(d)；3）由与之对应的两时刻（0及t）MODIS像元反射率差异所表示的时间距离（T）。而对邻近相似像元的筛选条件是：其必须比中心像元能提供更多的光谱信息。另外，考虑Landsat与MODIS地表反射率数据在预处理过程中存在一定的不确定性，最终的筛选条件还加入了不确定性参数（本文设置为0.025）。有关各参数的具体计算方式及算法原理的更详细描述请参考原始文献[17]。

3.2 时序NDVI构建方案

STARFM算法为单波段的运算模式[17]。因此，存在2种不同的方案可用于构建高时空分辨率NDVI数据集。方案1：首先基于STARFM算法逐波段地融合基期影像的地表反射率，生成高时空分辨率的红波段与近红外波段地表反射率；然后通过波段之间的代数运算间接得到预测期的NDVI数据。方案2：首先基于NDVI与红及近红外波段之间的转换关系，分别计算出基期影像的NDVI；然后应用STARFM算法直接融合NDVI得到预测期NDVI数据。对于高时空分辨率Landsat-like NDVI影像的预测精度而言，方案2优于方案1[30-31]；并且在复种指数提取的应用中，2种方案的结果高度相似[31]。而由于仅运算NDVI一个波段，方案2所需的存储空间及运算时间相对方案1更少。因此，在复种指数遥感反演的应用中，选择方案2构建高时空分辨率NDVI数据集是更合理的选择[31]。

3.3 样本点验证

基于随机选取的1509个样本点，逐个地对基于Landsat影像分类法和基于Landsat-like时序NDVI峰值法提取的结果进行对比验证，并将验证结果形成混淆矩阵。基于混淆矩阵，计算生产者精度、用户精度和总体精度，以及Kappa系数等值，定量地对2种方法提取的冬季作物种植区结果进行精度验证。

3.4 多尺度验证

鉴于Landsat、Landsat-like与MODIS数据的空间分辨率不同，本文采用了多尺度验证的方法对作物种植区提取结果进行验证。首先，将3种方法得到的提取结果分别聚合至250～4 000 m的不同尺度，然后，以Landsat影像分类法提取的结果为验证参考数据，在不同的空间尺度上，对比基于Landsat-like时序NDVI峰值法及基于MODIS时序NDVI峰值法的提取结果。另外，为更直观地表达不同方法提取作物种植区的对比效果，本文引入了重合率的概念，即在不同尺度上，基于不同方法的提取结果与验证数据结果相同的像元个数占像元总数的百分比。例如：首先将不同方法的提取结果和验证数据均聚合到250 m尺度；再基于“赢者通吃”的策略（即聚合后大于等于0.5为1；小于0.5则为0）将聚合后的结果转换为用“0”和“1”分别表示休耕与种植的“二值”影像；然后，逐像元地判定不同方法转换后的结果与验证数据之间的重合率，进而对比两者的精度。

3.5 复种指数提取

基于时间序列NDVI数据集，本文选择较为常用的“二次差分”算法提取可能的波峰[8]：首先，将一年内重构后时间序列植被指数的个值按时间顺序形成数列；然后，依次用后面的植被指数值减去前面与其相邻的植被指数值，形成-1个新值；之后，对这-1个新值按以下规则重新赋值：如果是正数则为1，反之为−1；最后，对新赋值的-1个值按上面的方法再进行一次差分运算，得到-2个由−2、0、2组成的数列。其中，元素为−2且前后元素皆为零的点就是可能的波峰。

波峰阈值及作物物候等信息被认为能有效地用于“伪峰值点”的剔除[32-33]。本文参考了近10 a该区域邻近物候观测站点的数据确定了冬季和夏季作物的物候规律，判定了2个峰值点可能出现的时期大致分别为每年的2－3月和7－8月（即2011年第4～7期和14～17期）；采用了目视观察及统计判定的方法确定了时序NDVI的波峰阈值：首先参考Landsat影像分类结果图，选取纯耕地像元；再统计这些耕地像元时序NDVI的波动情况，以确定两种时序NDVI数据集（即时序Landsat-like NDVI数据与MODIS NDVI数据）的波峰阈值。

4 结果与分析

4.1 波峰阈值

2种数据集中，耕地像元时序NDVI波动的值域不同。就2010年冬季生长季的耕地而言，Landsat-like时序NDVI数据各期均值为0.43～0.56；而MODIS时序NDVI数据各期均值为0.54～0.65。总体而言，后者平均高于前者约0.11。这一方面可能与MODIS及TM传感器的红及近红外波段的波谱设置有关，MODIS传感器的波谱设置较窄，其对植被信息则更为敏感，NDVI值也相对较高；另一方面可能由于MODIS像元较大，更容易受到邻近常绿森林或灌木等植被信息的影响，从而导致NDVI值偏高。两序列NDVI数据均在2011年3月（2011年第6期）达到峰值。但峰值相差近0.10。因此，在应用二次差分算法提取两种数据的可能波峰后，需利用不同的波峰阈值对其进行筛选。设置该阈值，既要保证不会将真正的峰值“滤除”，还需考虑尽量消除杂草的影响。本文中选取的样本数据可以看出，2种数据在峰值点处的均值分别为0.65±0.06和0.55±0.07（图5）。该均值减去一倍标准差后的值分别为0.59及0.48。综合考虑，本文将两个峰值点的阈值分别设定为0.55与0.45。

注：2010年冬季包含MOD13Q1数据时间轴2010年第21期－2011年第9期。

4.2 目视评价

不同方法提取的研究区2010年冬季耕地种植分布情况如图6。图6a是基于该区域2010年12月8日的Landsat TM影像进行分类得到的结果。基于时序NDVI数据的2种方法得到的结果与基于Landsat影像分类法的有较大差异（图6a与图6b；图6a与图6c）。2种峰值法的结果显示：在该区域的左部和下部，大部分耕地均未耕种，而在右部，大部分区域有作物种植（图6b和图6c）；但分类法的结果显示：闲置的耕地与种植作物的耕地分布比较随机和均匀（图6a）。后者的结果明显更加符合实际情况。出现这种异常分布的原因可能是用于提取复种指数时的数据源受到了“污染”。由于原始数据经过了滤波处理，因此，“污染”来自两方面：其一是云雾及其阴影；其二是SG滤波算法。2种峰值法的结果在空间上表现出较高的整体一致性（图6b与图6c），则进一步印证了这种可能性。进一步的检视中，本文发现在某些区域，基于Landsat-like时序NDVI峰值法的提取结果不仅精细度较高，而且分布情况合理，在空间上也能较好地与参考数据吻合（图6a与图6b）。

4.3 样本点验证

利用1509个样本点，对基于Landsat影像分类法和Landsat-like时序NDVI峰值法提取的作物种植区结果进行了精度验证（表1）。总体而言，两种方法提取的结果与目视评价的情况基本一致。基于Landsat影像分类法取得了很高的验证精度（89.73%），一方面因为有高质量的Landsat数据；另一方面使用了高精度土地利用覆被图对非耕地区域进行了掩膜处理。高精度的提取结果也为多尺度验证提供了高质量的参考数据。而Landsat-like时序NDVI峰值法的验证精度较低（54.94%）。主要原因是用于提取的时序NDVI数据受到了“污染”，未能表现出正常的波峰，从而导致利用峰值法不能正确提取出作物种植信息。这从目视评价的结果中也能得到印证（图6）。另外，由于数据质量较差，较多实际有种植像元被错误地判定为休耕，也直接导致了对于休耕像元提取精度要明显低于种植像元。

注：空白区域为非耕地。

4.4 多尺度验证

表2统计了不同空间尺度下2种方法的提取结果与验证参考数据之间的重合率。与目视评价及样本点验证结果相似，在30m空间尺度上，基于Landsat-like时序NDVI峰值法的提取结果与基于Landsat影像分类法的提取结果之间的重合率较低（0.57）。类似地，有较多的种植像元被判定为休耕（0.28），是致使重合率较低的主要原因（表1和表2）。这也进一步印证了前文的分析：基于Landsat-like时序NDVI数据提取种植区时，当数据受到了“污染”，无法表现出正常的波峰，将导致不能正确地提取出种植信息。当然，如果将2种方法提取的结果聚合到较低的空间尺度，能够在一定程度上提高提取结果的精度。当空间尺度下降到4 000 m时，两者的总体重合率分别提高了0.17和0.13。

表1 基于Landsat影像分类法和Landsat-like时序NDVI峰值法的2010年冬季作物种植区提取精度对比

注：数字上标a代表某种类别像元的个数。例如，505表示基于Landsat影像分类法提取为休耕像元，验证样点也为休耕像元的个数。122表示基于Landsat影像分类法提取为休耕像元，但是验证样点为种植像元的个数。

Note: The values labeled with “a” are the number of pixels judged as one certain category. For example, 505 is the number of the pixels judged as “fallow” based on the Landsat data, which also verified as “fallow” by the validation samples. 122 is the number of the pixels judged as “fallow” based on the Landsat data, yet verified as “planting” by the validation samples.

表2 基于Landsat-like和MODIS时序NDVI峰值法提取的2010年冬季作物种植区结果在不同空间尺度上的重合率对比

注：a列表示对比验证参考数据，基于某方法提取的不同类别像元的重合率。如“种植-种植”和“种植-休耕”表示在参考影像上的种植区域内，基于某方法判定结果则分别为“种植”像元、“休耕”像元。余同。总体重合率表示基于某方法判定正确的所有像元(含种植与休耕)所占的比例。如在30 m空间尺度上，基于Landsat-like时序NDVI峰值法的总体重合率为0.57。其值等于“种植-种植”的重合率0.30，加上“休耕-休耕”的重合率0.27。

Note: The column “category” indicates that the coincidence rate of different categories of pixels based on one method, compared with the reference map. e.g., “Planting- Planting” and “Planting- Fallow” mean one pixel determined as planting pixels, and one pixel yet determined as fallow pixels based on one method, in the planting area of the reference map, respectively. Same as below. The overall coincidence rate is the proportion of all pixels judged correctly, planting and fallow pixels included. e.g., the value of 0.57, which is the overall coincidence rate by the peak-counting method based on the Landsat-like time-series NDVI dataset at 30 m spatial scales, is exactly equal to the sum of the coincidence rates of “Planting- Planting” and “Fallow- Fallow” (i.e., 0.57=0.30+0.27).

对比2种峰值法提取结果，基于Landsat-like时序NDVI峰值法的总体重合率在各个空间尺度上均高于基于MODIS时序NDVI峰值法（表2）。这与2种数据集之间的空间尺度不确定性有关[23]。由于四川丘陵地区的地表异常复杂，MODIS数据的空间分辨率较低，在该区域内存在严重的混合像元问题，难以获取高精度的种植信息。通过数据融合算法，将MODIS时序NDVI数据的空间分辨率提高，能够获取更精细的作物种植分布信息（图6），从而提高了提取精度。另外，前者对于种植像元的判定精度要低于后者；而前者对于休耕像元的判定精度却明显高于后者。MODIS数据较低的空间分辨率降低了像元内的空间异质性，也使得时间序列NDVI的波峰形态更趋于“平均”：对于作物种植的像元，其时序NDVI波峰将趋于“平坦”。这就导致基于其判定为“有作物种植”的结果更为可靠。而对于无作物种植的像元，其时序NDVI波峰将被“抬升”。这就导致基于其判定为“无作物种植”的结果较为不可靠。

4.5 复种指数结果

基于Landsat-like时序NDVI峰值法提取了盐亭县2011年全年复种指数的空间分布情况（图7）。可以看出，盐亭县2011年耕地仍以一年两熟为主，且集中分布于北部和东部。在西部和南部区域，有大量耕地为一年一熟。统计年鉴结果显示，盐亭县2011年耕地的复种指数为1.69。而本文的方法得到的该县复种指数结果为1.67。因此，在县域尺度上，基于Landsat-like时序NDVI峰值法提取的复种指数结果具有很高的精度。

利用2013年8月中旬的野外调查样点，对基于Landsat-like时序NDVI峰值法的提取结果进行了逐点验证（表3）。提取结果与实地调查样本的总体验证精度达到了73.97%。与本文新方法提取的复种指数结果一致，实地调查结果中多数样点也为一年两熟制。表中数据显示，有较多的一年两熟样点被判定为一年一熟。这是因为该区域受云雾干扰较为严重，部分耕地像元的时序NDVI数据的波峰未被“探测”出来。

图7 四川省盐亭县2011年复种指数空间分布

表3 基于Landsat-like时序NDVI峰值法提取的盐亭县2011年复种指数精度验证

注：上标a的值代表对某种类别像元进行验证后为某种类别像元的个数。

Note: The values labeled with “a” are the number of pixels judged as one certain category, and verified as the other category by the validation samples.

5 讨 论

5.1 数据融合算法

不同学者基于不同的理论基础提出了多种高时空分辨率数据融合算法。除少数基于半物理模型[34]、数据同化[35]、贝叶斯理论[36]、及神经网络[37]提出的几种融合算法，大部分算法可归为3类：第1类为基于混合像元分解算法[18,38]；第2类为基于学习的算法[19,39]；第3类即为STARFM系列算法[17,40-41]。相比较而言，前者能够更好地保留低空间分辨率影像上的多光谱特性；而STARFM系列算法能够使预测的影像较大限度地贴近真实影像的空间分辨率[42]。对于复杂地表区域，在需要构建高时空分辨率NDVI数据集时（如复种指数或作物物候研究），由于涉及到的波段数目较少，STARFM系列算法具有更广泛的应用前景。

尽管多位学者对原始算法进行了改进[40,43]，改进后的算法能够获取更接近真实的遥感影像，但在实际应用中，通常不仅仅关注算法对影像的预测能力，更加关注构建的高时空分辨率数据集能否有助于提高某种参数的反演精度。因此，在对STARFM系列算法进行选择时，应该综合考虑算法的预测精度，算法的效率，实现的难易程度，对基期高空间分辨率影像数量的要求，以及数据集中数据的一致性等问题。例如：若需要对森林砍伐情况进行监测，使用STARFM原始算法构建数据集将会存在较大误差，因为该算法对于突然发生的细小变化难以捕捉[17,41]；而在分类制图的研究中，使用单基期Landsat影像构建的NDVI数据集，或许能有更好的分类精度，因为尽管其预测精度较低[21]，但相较于基于多基期Landsat影像构建的NDVI数据集而言，该数据集具有更好的一致性[21]。在本文的研究中，仅选择了单基期Landsat TM影像构建时序Landsat-like NDVI数据。一方面由于高质量Landsat影像较少；另一方面则是为保证数据具有更好的一致性，因为峰值法是通过计算波峰的个数以获取像元的复种情况，数据不一致则很可能会导致出现更多的“伪波峰”。

5.2 时间序列数据滤波算法

复种指数遥感监测方法较多。除基于高空间分辨率遥感影像的阈值分类法外，大部分算法是基于高时间分辨率遥感数据而提出。为减弱云雾等的干扰，通常需要应用一些滤波算法对高时间分辨率遥感数据集进行重构。尽管滤波算法较多，但是没有哪一种算法在任何情况下都能达到最优的重构效果[44]。根据具体的应用目的对滤波算法进行筛选是较合理的策略。本文应用的是SG滤波算法[24]。该算法是一种局部拟合算法，已被证明在数据污染较重的时候，可能会因为“过度拟合”而导致滤波效果较差[45]。在本文的研究中，基于重构时序NDVI数据两种方法的提取结果在空间上的分布基本一致，并且都很不均匀（图6）。原因可能是SG滤波算法不适合受云雾污染较频繁的四川丘陵区。在实际应用中，若使用半局部拟合（如logistic函数拟合法[46]）或全局拟合算法（如Harmonic Analysis of NDVI Time-Series, HANTS[47]），滤波效果应该会更好。

5.3 复种指数提取算法阈值

基于重构后的高时空分辨率植被指数数据，有多种不同的复种指数提取算法，如二次差分法[8]；交叉拟合度检验法[11]；峰值法[9]；基于LMM（linear mixture model）分类法[12]；连续小波变换法[13]；自适应波峰阈值法[48]；迭代滑动窗口法[4]。但是，由于对这些提取算法的对比研究较少，因此，对于这些方法的选择没有一定的标准。本文使用的是峰值法中的二次差分算法。该方法原理简单，且容易实现。其难点在于对剔除“伪波峰”阈值的设定。在以往的研究中，通常设定该值为0.4[49]。但是，鉴于该地区具有耕地与常绿林地相间分布的特征（图1c），在250 m空间尺度上，无论是作物像元或是杂草像元都可能会受到常绿林地的影响，导致NDVI波峰值偏高。若将该值简单地设定为0.4是不合理的（本文通过统计分析的方法得出两种数据集波峰阈值分别设定为0.55和0.45）。这是因为Landsat-like NDVI影像并不是真实的观测值，其在基于STARFM算法合成的过程中，可能会因融合了低空间分辨率NDVI像元的信息而偏高。因此，由于合成的时序Landsat-like NDVI数据集具有与原始时序低空间分辨率植被指数数据不同的空间和光谱特征，在应用不同的复种指数提取算法时，应特别注意不能将在原提取算法中使用的参数或构建的模型等简单地应用于该数据集，以免造成较大的误差。

5.4 数据融合算法应用成效

在地形简单区域，基于MODIS时序NDVI数据提取复种指数，通常能够获得较高的精度（如88.5%[49]；90.1%[12]；97%[48]）。但是，对于地形复杂区域或者作物种植结构复杂区域而言，由于在MODIS数据空间尺度下存在较多混合像元，难以获取较准确的复种指数信息[23,50]（如表1）。本文基于STARFM数据融合算法，通过提高MODIS时序NDVI数据的空间分辨率，将复种指数的提取精度相对地提高了约3%～7%（表2）。这可能代表了通过数据融合提高数据源空间分辨率的方式以提高复种指数提取精度的数量级。因为该值与在其他研究中基于相同思路提高某参数遥感提取精度的上升幅度相当（如2%[21]；5%[20]）。另外，尽管可能受地表异常复杂及云雾干扰等因素影响，本文基于STARFM数据融合算法得到的复种指数提取精度较低（54.94%，表1）。但是，在其他相关研究中，取得了较高的提取精度（如82.7%～89.0%[22]；88.89%23]）。因此，在诸如四川丘陵区等容易受到云雾干扰且地形复杂的区域，数据融合算法在提升复种指数提取精度方面有广阔的应用前景和提升空间。

5.5 不同区域实际应用策略

基于遥感技术，已经发展了多种复种指数提取方法。在实际应用中，针对不同气候和地理特点的区域，应当采用不同的策略。对于地表简单区域，基于MODIS等低空间分辨率时序NDVI数据，利用传统方法提取复种指数就能够取得较高的精度（如90.1%[12]；97%[48]）。对于地形复杂，但受云雾干扰较低的区域，可以结合同尺度多源卫星数据（如Landsat and Sentinel-2）[51-52]，或者利用多年时间跨度的数据[53]，以获取更多可用的高空间分辨率影像。因为基于时间序列高空间分辨率影像提取复种指数，通常能够达到很好的效果（如78.88%[23]；93%[51]；81.2%[22]）。对于地形复杂，且受云雾干扰较严重的区域，如果能够在每个生长季的合适时间内获取1期高质量的高空间分辨率影像，基于该影像进行分类，也能获得较高的提取精度[23]。但是，这通常是难以满足的。有效地利用数据融合算法得到高时空分辨率数据集，不仅可能获取更精确的复种指数信息[22-23]，而且对高空间分辨率影像获取条件的要求也较容易达到。此外，在允许的情况下，空间聚合也是提高复种指数提取精度的一种实用方法[3]。在本文的研究中，将30 m尺度的结果聚合到4 000 m尺度时，相对精度提高了0.17。

6 结 论

受财政和技术条件的限制，目前单一传感器获取的遥感影像仅具有高空间分辨率或者高时间分辨率的特征。在诸如四川丘陵区等地表复杂且常受云雾等干扰的区域，仅使用具备某一种特征的遥感数据获取耕地复种信息难以取得良好的效果。如何有效地融合不同特征遥感数据的信息，提高复种指数的提取精度，是值得研究的一个课题。本文以川东丘陵区部分区域为研究对象，基于STARFM数据融合算法构建了该区域2010－2011年高时间分辨率Landsat-like NDVI数据集，并基于其提取了该区域2010年冬季作物种植区及盐亭县2011年耕地复种指数空间分布信息。在30m空间尺度上，利用1509个目视解译的随机样点进行验证，基于Landsat-like时序NDVI峰值法的总体精度为54.94%。将结果聚合到250～4 000 m的不同空间尺度后，与传统的基于MODIS时序NDVI峰值法提取结果进行了多尺度对比验证，基于Landsat-like时序NDVI峰值法的提取精度提高了3%～7%。将基于Landsat-like时序NDVI峰值法的种植区提取结果从30 m聚合到4 000 m空间尺度，总体验证精度提高了0.17。同时，利用基于Landsat-like时序NDVI峰值法提取的盐亭县2011年复种指数结果，对比了统计年鉴及实地调查结果（总体精度为73.97%），从而验证了基于Landsat-like时序NDVI峰值法的实用性。本文的研究结果表明：基于数据融合算法提高数据源的空间分辨率，不仅能够提高复杂地表区域复种指数的提取精度，而且具有较好的实用性。这将有助于解决在类似地表复杂且受云雾干扰严重的区域，应用传统复种指数提取方法精度较差的问题。

随着遥感技术的进一步发展，一些商业遥感卫星星座（如“吉林一号”等）能够直接获取高时空分辨率数据集。限于数据的预处理技术还不成熟，以及数据的获取费用较高等，这些数据的广泛使用还需要一段时间。但是，这些数据的应用将极大地推动地表复杂区域复种指数遥感提取研究。未来基于数据融合算法获取复杂地表区域复种指数方法的研究价值更多地在于：1）利用历史数据，构建长时间序列高时空分辨率数据集，与直接获取的高时空分辨率数据集衔接，从而研究某区域复种指数在较长历史时间内的连续变化情况；2）利用高时空分辨率数据集在土地覆盖分类方面的优势，形成高精度土地利用分类图获取耕地信息，并基于其获取高精度的耕地复种及作物物候等农情信息。

[1] Siebert S, Portmann F T, Döll P. Global patterns of cropland use intensity [J]. Remote Sensing, 2010, 2(7): 1625-1643.

[2] Heller E, Rhemtulla J M, Lele S, et al. Mapping crop types, irrigated areas, and cropping intensities in heterogeneous landscapes of Southern India using multi-temporal medium-resolution imagery: implications for assessing water use in agriculture[J]. Photogrammetric Engineering & Remote Sensing, 2012, 78(8): 815-827.

[3] Jain M, Mondal P, DeFries R S, et al. Mapping cropping intensity of smallholder farms: A comparison of methods using multiple sensors[J]. Remote Sensing of Environment, 2013, 134: 210-223.

[4] Li L, Friedl M A, Xin Q C, et al. Mapping crop cycles in China using MODIS-EVI time series[J]. Remote Sensing, 2014, 6(3): 2473-2493.

[5] Estel S, Kuemmerle T, Levers C, et al. Mapping crop landuse intensity across Europe using MODIS NDVI time series[J]. Environmental Research Letters, 2016, 11(2): 024015.

[6] Qiu B, Lu D, Tang Z, et al. Mapping cropping intensity trends in China during 1982-2013[J]. Applied Geography, 2017, 79: 212-222.

[7] 王学，李秀彬，谈明洪，等. 华北平原 2001-2011年冬小麦播种面积变化遥感监测[J].农业工程学报，2015，31(8)：190-199.

Wang Xue, Li Xiubin, Tan Minghong, et al. Remote sensing monitoring of changes in winter wheat area in North China Plain from 2001 to 2011[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(8): 190-199. (in Chinese with English abstract)

[8] 范锦龙，吴炳方.复种指数遥感监测方法[J].遥感学报，2004，8(6)：628-636.

Fan Jinlong, Wu Bingfang. A methodology for retrieving cropping index from NDVI profile[J]. Journal of Remote Sensing, 2004, 8(6): 628-636. (in Chinese with English abstract)

[9] Sakamoto T, Van N N, Ohno H, et al. Spatio-temporal distribution of rice phenology and cropping systems in the Mekong Delta with special reference to the seasonal water flow of the Mekong and Bassac rivers[J]. Remote Sensing of Environment, 2006, 100(1): 1-16.

[10] 张伟. 川东丘陵区耕地复种指数遥感反演研究：以绵阳市盐亭县为例[D]. 北京：中国农业科学院，2014.

Zhang Wei. Study on the Remotely Sensed Method for Monitoring Multiple Cropping Index in Hilly Region in Eastern Sichuan: A Case Study for Yanting County in Mianyang[D]. Beijing: Chinese Academy of Agricultural Sciences, 2014. (in Chinese with English abstract)

[11] 辜智慧. 中国农作物复种指数的遥感估算方法研究：基于SPOT/VGT多时相NDVI遥感数据[D].北京：北京师范大学，2003.

Gu Zhihui. A Study of Calculating Multiple Cropping Index of Crop in China Using SPOT/VGT Muti-temporal NDVI Data[D]. Beijing: Beijing Normal University, 2003. (in Chinese with English abstract)

[12] Chen C F, Son N T, Chang L Y. Monitoring of rice cropping intensity in the upper Mekong Delta, Vietnam using time-series MODIS data[J]. Advances in Space Research, 2012, 49(2): 292-301.

[13] Qiu B, Zhong M, Tang Z, et al. A new methodology to map double-cropping croplands based on continuous wavelet transform[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26(1): 97-104.

[14] Yu Q, Hu Q, Van vliet J, et al. GlobeLand30 shows little cropland area loss but greater fragmentation in China[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 66: 37-45.

[15] Liu W, Dong J, Xiang K, et al. A sub-pixel method for estimating planting fraction of paddy rice in Northeast China[J]. Remote Sensing Environment, 2018, 205: 305-314.

[16] 张伟，李爱农，雷光斌. 复种指数遥感监测研究进展[J]. 遥感技术与应用，2015，30(2)：199-208.

Zhang Wei, Li Ainong, Lei Guangbin. Recent progresses in monitoring multiple cropping index by using remote sensing technologies[J]. Remote Sensing Technology and Application, 2015, 30(2): 199-208. (in Chinese with English abstract)

[17] Gao F, Masek J, Schwaller M, et al. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2207-2218.

[18] Zhang W, Li A N, Bian J H, et al. An enhanced spatial and temporal data fusion model for fusing Landsat and MODIS surface reflectance to generate high temporal Landsat-like data[J]. Remote Sensing, 2013, 5(10): 5346-5368.

[19] Huang B, Song H. Spatiotemporal reflectance fusion via sparse representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(10): 3707-3716.

[20] Walker J J, deBeurs K M, Wynne R H. Dryland vegetation phenology across an elevation gradient in Arizona, USA, investigated with fused MODIS and Landsat data [J]. Remote Sensing of Environment, 2014, 144: 85-97.

[21] Watts J D, Powell S L, Lawrence R L, et al. Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery[J]. Remote Sensing of Environment, 2011, 115(1): 66-75.

[22] Li L, Zhao Y, Fu Y, et al. High resolution mapping of cropping cycles by fusion of Landsat and MODIS data[J]. Remote Sensing, 2017, 9(12): 1232.

[23] Xiang M T, Yu Q Y, Wu W B. From multiple cropping index to multiple cropping frequency: Observing cropland use intensity at a finer scale[J]. Ecological Indicators, 2019, 101: 892-903.

[24] Chen J, Jönsson P, Tamura M, et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter[J]. Remote Sensing of Environment, 2004, 91(3): 332-344.

[25] 边金虎，李爱农，宋孟强，等. MODIS植被指数时间序列 Savitzky-Golay 滤波算法重构[J]. 遥感学报，2010，14(4)：725-741.

Bian Jinhu, Li Ainong, Song Mengqiang, et al. Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter[J]. Journal of Remote Sensing, 2010, 14(4): 725-741. (in Chinese with English abstract)

[26] Masek J G, Vermote E F, Saleous N E, et al. A Landsat surface reflectance dataset for North America, 1990-2000[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(1): 68-72.

[27] 张正健，李爱农，雷光斌，等. 基于多尺度分割和决策树算法的山区遥感影像变化检测方法：以四川攀西地区为例[J]. 生态学报，2014，24(34)：7222-7232.

Zhang Zhengjian, Li Ainong, Lei Gugangbin, et al. Change detection of remote sensing images based on multiscale segmentation and decision tree algorithm over mountainous area: a case study in Panxi region, Sichuan Province[J]. Acta Ecologica Sinica, 2014, 34(24): 7222-7232. (in Chinese with English abstract)

[28] Baatz M, Schape A. Multiresolution segmentation-An optimization approach for high quality multi-scale image segmentation[M]. In Angewandte Geographische Informations-Verarbeitung XII, Wichmann Verlag: Karlsruhe, Germany, 2000: 12-23.

[29] Feng M, Huang C, Channan S, et al. Quality assessment of Landsat surface reflectance products using MODIS data[J]. Computers and Geosciences, 2012, 38(1): 9-22.

[30] Tian F, Wang Y, Fensholt R, et al. Mapping and evaluation of NDVI trends from synthetic time series obtained by blending Landsat and MODIS data around a coalfield on the loess plateau[J]. Remote Sensing, 2013, 5(10): 4255-4279.

[31] Li A N, Zhang W, Lei G B, et al. Comparative analysis on two schemes for synthesizing the high temporal Landsat-like NDVI dataset based on the STARFM algorithm[J]. ISPRS International Journal of Geo-Information, 2015, 4(3): 1423-1441.

[32] 王鹏新，荀兰，李俐，等. 基于时间序列叶面积指数傅里叶变换的农作物种植区域提取[J]. 农业工程学报，2017，33(21)：207-215.

Wang Pengxin, Xun Lan, Li Li, et al. Extraction of planting areas of main crops based on fourier transformed characteristics of time series leaf area index products[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(21): 207-215. (in Chinese with English abstract)

[33] 徐昔保，杨桂山.太湖流域1995－2010年耕地复种指数时空变化遥感分析[J]. 农业工程学报，2013，29(3)：148-155.

Xu Xibao, Yang Guishan. Spatial and temporal changes of multiple cropping index in 1995-2010 in Taihu Lake basin, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(3): 148-155. (in Chinese with English abstract)

[34] Roy D P, Ju J, Lewis P, et al. Multi-temporal MODIS- Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data[J]. Remote Sensing of Environment, 2008, 112(6): 3112-3130.

[35] Cai W, Song J, Wang J, Xiao Z. High spatial-and temporal-resolution NDVI produced by the assimilation of MODIS and HJ-1 data[J]. Canadian Journal of Remote Sensing, 2011, 37(6): 612-627.

[36] Xue J, Leung Y, Fung T. A bayesian data fusion approach to spatio-temporal fusion of remotely sensed images[J]. Remote Sensing, 2017, 9(12): 1310.

[37] Li Y F, Li J, He L, et al. A sensor-bias driven spatio-temporal fusion model based on convolutional neural networks[J]. Science China Information Sciences, 2020, 63(4): 140302.

[38] Lu M, Chen J, Tang H, et al. Land cover change detection by integrating object-based data blending model of Landsat and MODIS[J]. Remote Sensing of Environment, 2016, 184: 374-386.

[39] Zhao Y, Huang B, Song H. A robust adaptive spatial and temporal image fusion model for complex land surface change[J] Remote Sensing of Environment, 2018, 208: 42-62.

[40] Zhu X, Chen J, Gao F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J]. Remote Sensing of Environment, 2010, 114(11): 2610-2623.

[41] Hilker T, Wulder M A, Coops N C, et al. A new data fusion model for high spatial-and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J]. Remote Sensing of Environment, 2009, 113(8): 1613-1627.

[42] Gevaert C M, Garca-Haro F J. A comparison of STARFM and an unmixing-based algorithm for Landsat and MODIS data fusion[J]. Remote Sensing of Environment, 2015, 156: 34-44.

[43] Xia H, Chen Y, Li Y, et al. Combining kernel-driven and fusion-based methods to generate daily high-spatial- resolution land surface temperatures[J]. Remote Sensing of Environment, 2019, 224: 259-274.

[44] Atkinson P M, Jeganathan C, Dash J, et al. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology[J]. Remote Sensing of Environment, 2012, 123: 400-417.

[45] Jönsson P, Eklundh L. TIMESAT-a program for analyzing time-series of satellite sensor data[J]. Computers and Geosciences, 2004, 30(8): 833-845.

[46] Zhang X Y, Friedl M A, Schaaf C B, et al. Monitoring vegetation phenology using MODIS[J]. Remote Sensing of Environment, 2003, 84(3): 471-475.

[47] Verhoef W. In Fourier Analysis of temporal NDVI in the Southern African and American Continents[M]. Wageningen (The Netherlands): DLO Winand Staring Centre, 1996.

[48] Fan C, Zheng B, Myint S W, et al. Characterizing changes in cropping patterns using sequential Landsat imagery: An adaptive threshold approach and application to Phoenix, Arizona[J]. International Journal of Remote Sensing, 2014, 35(19/20): 7263-7278.

[49] Galford G L, Mustard J F, Melillo J, et al. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil[J]. Remote Sensing of environment, 2008, 112(2): 576-587.

[50] Biradar C M, Xiao X. Quantifying the area and spatial distribution of double- and triple-cropping croplands in India with multi-temporal MODIS imagery in 2005[J]. International Journal of Remote Sensing, 2011, 32(2): 367-386.

[51] Liu L, Xiao X M, Qin Y W. Mapping cropping intensity in China using time series Landsat and Sentinel2 images and Google Earth Engine[J]. Remote Sensing of Environment, 2020, 239: 111624.

[52] Liu C, Zhang Q, Tao S Q et al. A new framework to map fine resolution cropping intensity across the globe: Algorithm, validation, and implication[J]. Remote Sensing of Environment, 2020, 251: 112095.

[53] Kontgis C, Schneider A, Ozdogan M. Mapping rice paddy extent and intensification in the Vietnamese Mekong River Delta with dense time stacks of Landsat data[J]. Remote Sensing of Environment, 2015, 169: 255-269.

Improvement of extraction accuracy for cropping intensity in complex surface regions using STARFM

Zhang Wei1,2, Li Wei1,2, Tao Guanhong1,2, Li Ainong3, Qin Zhihao4, Lei Guangbin3, Chen Yixi1,2

(1. China Electronics Technology Group Corporation CETC Big Data Research Institute Co., Ltd, Guiyang 550000, China; 2. National Engineering Laboratory for Big Data Application on Improving Government Governance Capabilities, Guiyang 550000, China;3. Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China; 4. Institute of Agro-Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China)

Cropping intensity (CI) is essentially related to the utilization condition of arable land. A classification method based on high spatial resolution data (TM), and a peak-counting method based on high temporal resolution NDVI data (MODIS NDVI) are mainly used to extract CI in remotely sensed field. However, it is difficult to acquire the high spatial resolution data with high quality characteristics in the most classification method, as three requirements cannot be satisfied concurrently. The first condition is the time requirement, where the high spatial resolution data can be observed in the growing season. The second one is the frequency requirements, where at least one period of data can be obtained in the growing season. The third one is the quality requirement, where the data cannot be polluted by the cloud, mist and other environmental surroundings. Furthermore, the performance was relatively low, when the peak-counting method was applied in some complex surface regions, since the high temporal resolution data has the low spatial resolution (>250 m). A feasible strategy can be made to obtain a high extraction accuracy of CI, in order to improve the spatial resolution of high temporal resolution data in the use of spatiotemporal data fusion (Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM). Taking the hilly region in the eastern Sichuan as a research area, the 2010-2011 time series Landsat-like NDVI dataset with high temporal and spatial resolution was collected to extract the spatial distribution of cropping area for the winter-season in2010 and the CI for summer- and winter-seasons in 2011 in Yanting County, using the STARFM algorithm, Landsat TM and MODIS data. Precision validation between different data in various methods was done at a series of spatial scales (30-4 000 m), referring to the visual interpretation of 1509 random samples, and the spatial distribution of cropping area for winter-season in2010 using Landsat data. The results showed that: 1) Compared to the peak-counting method using Landsat-like time-series NDVI dataset, the overall accuracy of verification was higher for the classification method using Landsat data (89.73% vs. 54.94%), at the scale of 30 m. 2) Compared to the peak-counting method using MODIS time-series NDVI dataset, the overall accuracy of verification was higher 3%-7% for the peak-counting method using Landsat-like time-series NDVI dataset, at the scales from 250 m to 4 000 m. 3) The overall accuracy of verification was higher 0.17, when the data from the new method was spatially aggregated from 30 m to 4 000 m. In the CI result of 2011 in Yanting County, the data in the Mianyang Statistical Yearbook of 2011, and 73 samples from the field survey data in August 2013 were used to validate the practicability of new method. There were very close CI values from the statistical data (1.69) and new method (1.67), indicating that the overall accuracy of verification was 73.97% in the field survey. A high accuracy of extraction and fine spatial details of CI can be acquired, when using the fusion of spatiotemporal data in some complex surface regions. The findings can contribute to the evaluation of food production and carbon sequestration potential in complex surface regions.

remote sensing; NDVI; spatiotemporal data fusion; cropping intensity; STARFM; complex surface regions

张伟，李玮，陶冠宏，等. 利用STARFM模型提高复杂地表下复种指数遥感提取精度[J]. 农业工程学报，2020，36(21)：175-185.doi：10.11975/j.issn.1002-6819.2020.21.021 http://www.tcsae.org

Zhang Wei, Li Wei, Tao Guanhong, et al. Improvement of extraction accuracy for cropping intensity in complex surface regions using STARFM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(21): 175-185. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.21.021 http://www.tcsae.org

2020-07-03

2020-10-04

国家自然科学基金青年基金项目（41701433）

张伟，遥感算法工程师，主要从事时空数据融合及农情参数反演算法研究。Email：zhang106wei@sina.com.

陶冠宏，博士，高级工程师。主要从事信号处理、深度学习研究。Email：taoguanhong1986@163.com.

10.11975/j.issn.1002-6819.2020.21.021

P237

A

1002-6819(2020)-21-0175-11